Genetic Variations and Cisplatin Nephrotoxicity: A Systematic Review
Notice bibliographique
Résumé
Background: Nephrotoxicity is a notable adverse effect in cisplatin treated patients characterized by tubular injury and/or increased serum creatinine (SCr) with incidence varying from 20 to 70%. Pharmacogenomics has been shown to identify strongly predictive genetic markers to help determine which patients are more likely to experience, for example, a serious adverse drug reaction or receive optimal benefit through enhanced efficacy. Genetic variations have been reported to influence the risk of cisplatin nephrotoxicity; however, a comprehensive overview is lacking. Methods: A systematic review was performed using Pubmed, Embase and Web of Science on clinical studies that used cisplatin-based chemotherapy as treatment, had available genotyping data, and evaluated nephrotoxicity as an outcome. The quality of reporting was assessed using the STrengthening the REporting of Genetic Association Studies (STREGA) checklist. Results: Twenty-eight eligible studies were included; all were candidate gene studies. Over 300 SNPs across 135 genes were studied; 29 SNPs in 14 genes were significantly associated with cisplatin-induced nephrotoxicity. A variation in SLC22A2 rs316019, a gene involved in platinum uptake by the kidney, was associated with different measures of nephrotoxicity in four independent studies. Further, variants of ERCC1 (rs11615 and rs3212986) and ERCC2 (rs13181), two genes involved in DNA repair, were found to be positively associated with increased risks of nephrotoxicity in two independent studies. Conclusion: Three genes consistently associated with cisplatin-induced nephrotoxicity. Further research is needed to assess the biological mechanism and the clinical value of modifying treatment based on SLCC22A2 and ERCC1/2 genotypes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».